指纹识别评价介绍.doc

1、注意事项：指纹算法性能评价通常有两种方法：ROC曲线和GI（Goodness Index）两种方法。ROC相对更具有说服力，因为ROC是从宏观匹配的角度验证两枚指纹同源，即已知一枚指纹的身份，判断另一枚指纹是否与已知指纹同源。但是，鉴于ROC曲线需要大量的指纹图像和很多的测试评估（主要是匹配的分数设定到底多少比较合适）造成其理解和实际编程过程十分难以实现，对于短时间的评价而言不适用，国内基本只有山东大学、中科院自动化所、西安电子科技大学3个高等院校和科研院所拥有比较真实信服的ROC绘制结果。GI相对说服力较低，主要是由于GI是从微观的角度验证算法性能的好坏且只针对一副图像而言。由于加入了大量的人工辨识且人工辨识的主观意愿难以揣测，所以工作量大、说服力较低，但由于其相对较易实现且也可以一定程度上地说明算法的性能，也不失为一种性能评价的方法。综上所述，ROC曲线说服力更强，但工作量巨大，但时间不易实现。GI性能指标说服力相对欠缺，但实现相对简单。同时由于两种评估方法均依赖于增强、二值化、细化、特征提取算法的性能，所以两种方法反应的是指纹识别系统的整体性能，而不是单一某部分性能如何。2、针对Rasel的指纹增强方法的评估问题由于时间不足的问题，建议你采用GI性能指标的方法评价算法的性能。GI性能指标的定义如下：其中，是特征点数量，特征点匹配数量、丢失数量、伪特征点生成数量和真实特征点数量分别是、和。GI越大表明特征点的提取越准确。GI性能指标是基于一幅指纹图像的特征点数量、类型等统计出的，由于加入了人工辨识的流程，所以没有现成的MATLAB CODE。人工辨别费时费力，通常文献只统计10-30幅指纹图像的GI说明算法的性能，较为常见的主要分为两类方法：(1)、统计10幅有代表性的指纹图像的GI值和这10幅增强后图像的GI性能参数，若增强指纹的GI性能参数大于未增强指纹的GI性能参数，则说明算法性能有效。(2)、统计10-30幅指纹GI的均值和增强后这些指纹的GI均值，若GI均值得到提升则说明算法性能得到提升。3、GI性能指标统计步骤：针对以下图像GI性能指标统计流程如下：针对上述指纹图像的GI指标统计，首先将增强后的指纹图像作为输入图像， 这里注意输入图像必须是BMP格式，大小是360*256。 (a) 增强图像 (b) 程序标定的特征点其中，图像(a)应该是增强图像(注意大小和图像类型)，图(b)是程序标定的特征点图，图(b)中红色表示分叉点、蓝色表示其次，比对程序标定的特征点，人工标定这幅指纹图像的真实特征点、伪特征点和丢失特征点，如下图所示： (a) 原始指纹图像 (b) 人工标定特征点指纹图像其中，图b中红色圆点代表真实特征点、蓝色圆点代表伪特征点、绿色点代表丢失特征点。特征点判别方法及标定准则如下：若程序标定特征点是端点或分叉点，增强图像中相同位置特征点是端点或分叉点，该特征点标记为真实特征点，对应于GI公式中的；若程序标定特征点是端点或分叉点或没有特征点，增强图像中相同位置特征点是分叉点或端点或存在特征点，该特征点标记为伪特征点，对应于GI公式中的；若程序标定无特征点，增强图像中相同位置存在特征点，该特征点标记为丢失特征点，对应于GI公式中的；将人工标定特征点的总数相加就可以得到特征点